CN110567522A - 传感器信号量识别在时空大数据分析中的应用方法及系统 - Google Patents
传感器信号量识别在时空大数据分析中的应用方法及系统 Download PDFInfo
- Publication number
- CN110567522A CN110567522A CN201910844536.4A CN201910844536A CN110567522A CN 110567522 A CN110567522 A CN 110567522A CN 201910844536 A CN201910844536 A CN 201910844536A CN 110567522 A CN110567522 A CN 110567522A
- Authority
- CN
- China
- Prior art keywords
- data
- semaphore
- signal
- sensor
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了传感器信号量识别在时空大数据分析中的应用系统及方法,该系统包括信号量采集模块、采样过程记录模块、信号识别模块和时空大数据分析模块,其中,信号量采集模块用于在传感器信号量传输的过程中,连续采集数据信息;信号识别模块用于确定信号类别;采样过程记录模块用于将信息存储在信号量数据中,并将信号量数据上传至所述大数据分析模块;时空大数据分析模块针对统计分析条件,在大量的信号量数据中进行统计,并输出统计分析结果。该系统可最大程度的挖掘出物联网系统监测数据的时空关联;可快速的定位到有效时空信息的部分,为时空信息分析提供高效、可靠的技术支持;使分析结果最大程度的贴近实际需求。
Description
【技术领域】
本发明涉及一种物联网实时监测技术领域,特别涉及一种传感器信号量识别在时空大数据分析中的应用方法及系统。
【背景技术】
随着物联网技术、大数据技术和传感器人工智能技术及其相关学科的迅猛发展,整个社会的自动化程度不断提高,传感器对物联网领域实时监测的信号量数据类似于传感器对时空信息分析方式的智能时空大数据分析的需求日益强烈。物联网系统和空间地理公共框架的自动化分析和关联如果能够像传感器那样具有对观察结果和时空进行立体化关联的能力,将从根本上改变传感器获得的实时监测数据和应用场景所在时空之间的联系方式,使监测数据能够更好地在有需求的应用场景服务。传感器信号量在应用场景时序和空间位置识别是时空大数据分析的基础,是物联网系统自动关联所在空间地理实体的前提,也是传感器探索和理解物联网智能监测的有效途径。如果实现物联网传感器信号量的识别将从根本上改变物联网技术和时空大数据分析的关系,这将对未来物联网实时监测领域产生重大的意义。
物联网系统主要依赖传感器的数字量和模拟量采集以及信号量上传监控获得信息,并将信息经过大数据分析系统的加工后再将对其它应用系统产生反馈信息,产生的反馈信息可以是信号量的变化数据也可以是时空数据,时空数据一般以时序和地理空间位置的形式表现,信号量的时空大数据分析技术就是通过分析特定传感器数字量或模拟量数据及变化趋势,进而确定其所监测的地理空间位置各种传感器、物的活动以及环境的状态信息。而数据分析系统至少有60%以上的场景信息经是通过传感器获得,因此传感器设备是物联网系统最重要的组成部分。
在现代传感器技术经过系统化的发展,对环境信息至少具有六种最基本的监测方向(指应用场景):温度计量、压力测量、声音识别、光线感应、成分分析、气体检测等,应用场景环境所有的监测数据都是由这几种基本信号量经过复杂的融合而产生的,而信号量及其变化又相当复杂,例如:水体压力的测量又伴随着其载体的流量、深度、直径或宽度等等,因而几种单一的信号量相互组和可以产生出非常丰富的监测数据,为了论述方便,先从常见的六种最基本信号量开始,通过分类判别树来找到应用场景与信号量之间的关系,如图1所示,而该分类树也可以被多种不同的组合规则定量描述,图示举例为:
1.成分识别:组成成分、占比分析、容积测算
2.数值测量:温度控制、压力控制
3.频谱分析:声音识别、光线感应
4.阈值预警:火灾预警、爆炸预警、污染指数、气候异常。
目前,对物联网传感器的信号量识别结果是否被应用系统的地理公共框架所关联,只能通过系统预设的位置信息来绑定。另外对信号量的数据进行分析,一般采用阈值检测法。其缺点是:阈值的设定难以规范化,形成监测指标量化困难,定义的值在不同应用场景可能有多种,可能存在多于一种信号量采集指标模型解释同一概念。因此,不能作为唯一数据分析推论的资料,须配合其他资料才能做定论。对于未能提前预设的监测专题数据,缺乏检测的相关资料难以达到现成资料的内涵。不能体现整个系统时空大数据综合分析的合理应用。
在对信号量进行数据分析的准确度上,依靠理论和经验设定的阈值检测,在一定程度上忽视了现实时序和地理空间信息的结合,运行环境,应用场景,社会背景等因素,分析结果与实际偏离度较高。
【发明内容】
本发明的目的在于克服上述现有技术的不足,采用如下技术方案:
传感器信号量识别在时空大数据分析中的应用系统,包括信号量采集模块、采样过程记录模块、信号识别模块和时空大数据分析模块,其中,
信号量采集模块:用于在传感器信号量传输的过程中,连续采集数据信息;
信号识别模块:用于从所述数据采集模块得到的数据信息进行分析,并进一步判断该数据信息中信号量特征数据所在的位置,为信号量特征数据建立信号模型,然后提取并分析能够表征信号特征的本质信息,确定信号类别;
采样过程记录模块:当所述信号识别模块获得传感器信号量时,将信息存储在信号量数据中,并将信号量数据上传至所述大数据分析模块;
时空大数据分析模块:针对统计分析条件,在大量的信号量数据中进行统计,并输出统计分析结果。
进一步地,信号采集模块为能够提供一段时间连续的时序数据采集的信号量采集装置。
进一步地,信号识别模块包括:信号特征库和信号类别判定模块;其中,
信号特征库包括大量传感器采样信号,以及与所述采样信号对应的信号特征,所述信号特征包括:数字量特征和模拟量特征;
信号类别判定模块,用于在传感器信号量传输过程中,对实时取得的信号量特征数据建立传感器模型,并从所述的传感器模型中提取数字量特征或模拟量特征,在所述的信号特征库中找到与所述数字量特征或模拟量特征相匹配的采样信号。
进一步地,信号识别包括获取数字量特征或模拟量特征进行特征建立模型、计算数字量特征或模拟量特征进行特征分析其采样和判定信号类别三个步骤。
进一步地,模型包括模拟量模型和数字量模型,其中,
模拟量模型为一条连续的波形曲线,波峰波谷处为变化值的聚集区域;
数字量模型采用采样数值模型和采样周期模型来模拟,对连续信号量采样的数字量模拟用采样周期模型,对有采样信号量的数值提取用采样数值模型。
进一步地,时空大数据分析模块包括信号量分析数据、统计分析数据、空间信息归类、过程记录归档、过程记录统计、设置筛选条件、导出数据和分析空间信息与传感器信号量关系的功能。
进一步地,所述设置条件包括全部数据、阈值数据、自定义数据;其中,
所述全部数据指信号量分析数据中所有的数据;
所述阈值数据指级联数量为总级联数量一半以上的数据;
所述自定义数据指级联数量为自定义值。
传感器信号量识别在时空大数据分析中的应用方法,包括以下步骤:
S1:在系统监测数据采集的过程中,每隔一段时间获取传感器信号量;
S2:获得所采集的传感器信号量时,存储当前的信号量数据;
S3:获得大量传感器数字量或模拟量数据后,将步骤S2中存储的信号量数据整理后存储到信号量分析数据中;
S4:在所述信号量分析数据中,筛选出符合筛选条件的数据;
S5:从步骤S4中筛选出的数据中,根据地理实体及空间位置,得到相应的空间信息,并将所述符合条件的数据、空间信息存储到统计分析数据中;
S6:输出统计分析结果。
进一步地,步骤S2和S3之间还包括以下步骤:
S21:当获得一个传感器的信号量后,继续采集信号量数据,直到该传感器的信号量停止,存储当前的信号量数据。
进一步地,步骤S3中对信号量数据的整理方法为:
S31:在信号量数据中还包括信号持续时间,信号持续时间为:同一个传感器的信号标记为“开始”的空间位置和信号标记为“结束”的空间位置,之间的一段时间;
S32:当获得大量信号量数据后,将信号量数据中相同的地理实体、具有相同信号类型并且信号持续时间有重叠的所有数据进行统计,并存储到信号量分析数据中。
本发明具有以下有益效果:
1.对传感器信号量采样的空间信息是否被正确进行空间定位和采样过程的连续程度,除了通过查询信号量来统计外还可以根据传感器在信号量传输过程中的信号特征识别来判断,可最大程度的挖掘出物联网系统监测数据的时空关联;
2.对传感器信号量时序数据和空间信息的分析,是通过对大数据的挖掘,可快速的定位到有效时空信息的部分,为时空信息分析提供高效、可靠的技术支持;
3.在对定位分析的准确度上,更加依赖系统的数据专题,模型构建,地理公共框架,时空信息关联等因素,使分析结果最大程度的贴近实际需求。
本发明的特征及优点将通过实施例结合附图进行详细说明。
【附图说明】
图1是本发明分类判别树的结构示意图;
图2是本发明传感器信号量识别在时空大数据分析中的应用方法流程图;
图3是本发明传感器信号量识别在时空大数据分析中的应用系统流程图;
图4是本发明模拟量波形曲线坐标系示意图;
图5是本发明模拟量变化趋势模板示意图;
图6是本发明能量函数优化抛物线坐标系图;
图7是本发明数字量连续变化趋势模板示意图。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚明了,下面通过附图及实施例,对本发明进行进一步详细说明。但是应该理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明提供了一种传感器信号量识别在时空大数据分析中的应用方法及系统,通过物联网系统传感器的信号量和空间信息等感知监测信息,并将感知的数据经过时空大数据处理后以信号量识别的方式反馈,进而确定应用场景的实时状态信息和空间信息,并将这种应用推广到对时序数据和地理空间大数据的分析,进一步的对引起感知的信号量进行分析。
参阅图3,传感器信号量识别在时空大数据分析中的应用系统包括信号量采集模块、采样过程记录模块、信号识别模块和时空大数据分析模块,其中,
信号量采集模块:用于在传感器信号量传输的过程中,连续采集数据信息。
具体地,本发明中的信号采集模块为能够提供一段时间连续的时序数据采集的信号量采集装置。
优选地,该信号采集模块是摄像装置、专用数据交换网关服务或具有连续数据抽取能力的数据总线服务中的一种或多种组合。
信号识别模块:用于从所述数据采集模块得到的数据信息进行分析,并进一步判断该数据信息中信号量特征数据所在的位置,为信号量特征数据建立信号模型,然后提取并分析能够表征信号特征的本质信息,确定信号类别。
具体地,所述信号识别模块包括:信号特征库和信号类别判定模块,其中,信号特征库包括大量传感器采样信号,以及与所述采样信号对应的信号特征,所述信号特征包括:数字量特征和模拟量特征;信号类别判定模块,用于在传感器信号量传输过程中,对实时取得的信号量特征数据建立传感器模型,并从所述的传感器模型中提取数字量特征或模拟量特征,在所述的信号特征库中找到与所述数字量特征或模拟量特征相匹配的采样信号,所述传感器模型包括模拟量模型和数字量模型。
具体地,信号的识别包括获取数字量特征或模拟量特征进行特征建立模型、计算数字量特征或模拟量特征进行特征分析其采样和判定信号类别三个步骤。
参阅图4,具体地,通过对模拟量抽象共性的分析结果,本发明建立了模拟量模型,模拟量的表现形式是一条连续的波形曲线,模拟量波峰波谷是变化值聚集区域。
具体地,本发明中采用圆的霍夫变换(Hough Transform)求取变化值聚集区域所在的圆。
具体地,设圆的方程为(x-a)2+(y-b)2=r2,其中a和b是圆心的横、纵坐标,r是圆的半径,给定任意一个有效的波形采样点坐标(x,y)以及波形曲线方向角θ,则所有可能圆心的位置在一段弧上,既然对每一个波形采样点的波形曲线梯度方向在开始都是已知的,那么这组可能的圆心就可以被确定。
参阅图5,具体地,在由多个传感器组成的圆形空间内,区域采样数值的变化是用一条连续波形曲线来逼近的,若用霍夫变换(Hough Transform)的方法来确定其参数,时间和空间的花费很大,因此,本发明采用能量函数优化的方法来求得能量局部最优时对应的参数,最终结果参阅图6,对应的坐标系中的参数方程为:
上边界:
下边界:
其中,θ为波形曲线方向角;(a,b)为变化值聚集区域的所在圆的圆心点;i为采样区域轮廓边缘极左到极右连续变化的一组点;j为采样区域从极高到极低点连续变化的一组点;P是定义在整个采样区域表面(i,j)上的标量函数,即求解方程势能(x)的微分;(X,Y)采样区域轮廓中心点;Ai、Bi、Ci、Di、Ei、Fi为上下边界;下标(pair)代表势能函数pair-site适配的一对值。
在变形能Eshape(Shape指区域采样的圆形空间)的定义中,控制了模拟量的波形和相似度,使采样区域边界为一段光滑连接的模拟量曲线收敛至最优位置,从而获得最小化的采样区域变化轮廓模型。
参阅图7,具体地,与模拟量的波形曲线模型相类似,数字量连续变化的模型也是用抛物线来拟合的,不同的是数字量实际采集是不连续的,所以要采用两个模型来模拟:采样数值模型和采样周期模型。对连续信号量采样的数字量模拟用采样周期模型,对有采样信号量的数值提取用采样数值的模型,这种模型也可以用来检测采样周期,
其中,y为采样区域采样信号量的数值;P为采样区域的上下轮廓线中间点两侧分段上下边界;ai为上轮廓下边界中心点;b1是采样区域左侧区间;b2是采样区域右侧区间;hi是轮廓边缘到上半部分上边界到下边界的高度;u1是采样区域上边缘左侧外边界,u2是轮廓区域上边缘右侧外边界。
具体地,计算数字量特征或模拟量特征进行特征分析其采样,进一步提取能够表征信号量特征的本质信息,例如:阈值、升高、降低等数据变化的特征,并分析特征之间的关系。
具体地,获取特征模型的物模型识别的采样特征通过上述模型进行信号类别的判定,用于确定待测信号类别,例如温度计量、压力测量、声音识别、光线感应、成分分析、气体检测等。
采样过程记录模块:当所述信号识别模块获得传感器信号量时,将信息存储在信号量数据中,并将信号量数据上传至所述大数据分析模块;
具体地,信号量数据包括:信号类别、地理实体和空间位置。
优选地,信号量数据中还包括信号持续时间,所述的信号持续时间为同一个传感器的信号标记为“开始”的空间位置和信号标记为“结束”的空间位置之间的一段时间。
时空大数据分析模块:针对统计分析条件,在大量的信号量数据中进行统计,并输出统计分析结果。
具体地,所述时空大数据分析模块包括:信号量分析数据、统计分析数据、空间信息归类、过程记录归档、过程记录统计、设置筛选条件、导出数据和分析空间信息与传感器信号量关系的功能,其中,
信号量分析数据包括:信号类别、地理实体、空间位置、级联数量和地理实体类型;
统计分析数据包括:信号类别、地理实体、信号量传输数据帧、级联数量和地理实体类型;
空间信息归类,用于记录并保存所述信号量数据,并对所述信号量数据进行分类;
过程记录统计,用于统计所有参与信号量传输同样地理实体的传感器,在信号类别发生时,当前空间位置对应的具体空间信息;
设置筛选条件,根据筛选条件,找出传感器普遍发生采样变化时所对应的信号量数据位置;
具体地,筛选条件包括:全部数据、阈值数据、自定义数据;其中,
所述全部数据指信号量分析数据中所有的数据;
所述阈值数据指级联数量为总级联数量一半以上的数据;
所述自定义数据指级联数量为自定义值。
优选地,所述自定义值包括:单总线、多总线、总线复用。
所述导出数据,用于将所述信号量数据或所述统计结果以第三方软件格式导出,所述第三方软件格式包括:文本格式、Word格式、Excel格式、SQL脚本。
所述分析空间信息与传感器信号量关系,用于对地理实体中,出现相同信号类别的空间位置的信息做定位分析和趋势分析。
具体地,定位分析可以理解为:在出现相同信号类别的位置,记录的空间信息是哪一类的,例如,在采集公园里传感器信号量时,传感器通常出现火灾预警信号的位置是园区中的林区和建筑物出现密集高热和大量烟雾的信号量。
具体地,趋势分析可以理解为,在出现相同信号类别的空间位置,从地理实体信号特征开始到结束的这一过程中,根据相同类别的信号出现的比例的增加和减少的变化方向、变化幅度等以揭示地理实体的正常或异常的状况以及变化趋势的分析方法。
具体地,所述地理实体类型包括地址坐标、矢量和影像。
具体地,所述空间位置为地址坐标的统一编码,所述空间信息为所述统一编码对应的所有空间信息和针对所述统一编码对应空间信息的描述。
本系统还包括一些其他模块,例如:传感器管理、权限管理、地理实体管理等与本系统相关的一些模块,由于是现有技术,这里不再论述。
参阅图2,传感器信号量识别在时空大数据分析中的应用方法,包括以下步骤:
S1:在系统监测数据采集的过程中,每隔一段时间获取传感器信号量;
S2:获得所采集的传感器信号量时,存储当前的信号量数据;
S3:获得大量传感器数字量或模拟量数据后,将步骤S2中存储的信号量数据整理后存储到信号量分析数据中;
S4:在所述信号量分析数据中,筛选出符合筛选条件的数据;
S5:从步骤S4中筛选出的数据中,根据地理实体及空间位置,得到相应的空间信息,并将所述符合条件的数据、空间信息存储到统计分析数据中;
S6:输出统计分析结果。
具体地,步骤S4中的所述筛选条件包括:全部数据、阈值数据、自定义数据;其中,全部数据是指所述信号量分析数据中所有的数据;阈值数据是指所述级联数量为总级联数量一半以上的数据;自定义数据是指所述级联数量为自定义值;
优选地,步骤S2和S3之间还包括:
S21:当获得所述传感器信号量后,继续采集所述信号量数据,直到所述传感器的所述信号量停止,存储当前的信号量数据;
优选地,所述信号量数据还包括:信号标记,在所述步骤S2中,所述的信号标记值为“开始”;在所述步骤S21中所述的信号标记值为“结束”;
优选地,所述步骤S3中对所述信号量数据的整理方法为:
S31:在所述信号量数据中还包括信号持续时间,所述的信号持续时间为:同一个传感器的所述信号标记为“开始”的空间位置和信号标记为“结束”的空间位置,之间的一段时间;
S32:当获得大量传感器信号量数据后,将所述信号量数据中相同地理实体、具有相同信号类型并且信号持续时间有重叠的所有数据进行统计,并存储到所述信号量分析数据中,
所述信号量分析数据的信号类别对应为所述信号量数据中的信号类别;
所述信号量分析数据的地理实体对应为所述信号量数据中的地理实体;
所述信号量分析数据的空间位置对应为所述信号量数据中的信号持续时间;
所述信号量分析数据的级联数量对应为所述信号量数据中信号持续时间重叠的所有的传感器数量;
优选地,所述信号量分析数据还包括最多传感器出现信号的位置为所述信号持续时间重叠的时间段。
具体地,信号识别的过程为:
1)先建立一个信号特征库,所述的信号特征库包括大量传感器采样信号,以及所述信号对应的信号特征;所述信号特征包括:数字量特征和模拟量特征;
2)在传感器信号量传输时,通过信号量采集模块实时取得传感器的信号量特征数据;
3)将取得的信号量特征数据进行特征提取,所述的特征提取包括:提取数字量特征和提取模拟量特征;
4)根据所述传感器的数字量特征、模拟量特征,在所述信号特征库中查找与所述数字量特征和模拟量特征对应的信号类别;
优选地,所述步骤2)中取得传感器的信号量特征数据包括:判断所述信号量采集模块得到的数据信息中信号量特征数据所在的位置,并为信号量特征数据建立信号模型。
实施例一:
本实施例对一段关于某个公园园区灯杆集成的传感器做信号量数据分析,来了解灯杆数据采集中对于传感器的实时状态、时序数据、空间关联等信息,本实施例中取得的样本数据为100份,即有100个传感器进行监测数据采集,具体如下:
1)打开传感器信号量采集设备,传感器信号量采集设备开始采集信号采样;
2)在信号量上传中,第2分15秒至2分30秒的位置,传感器信号量特征为预警;
3)此时记录下信号量上传的位置和该传感器的采样;
4)继续接收该信号量上传,在第5分30秒至5分40秒的位置,传感器信号量特征为升高;
5)此时继续记录下信号量上传的位置和该传感器的采样;
6)信号量上传接收结束后,将记录的这个传感器的采样过程保存到时空大数据库中;
7)重复步骤1)—6),直到所有采样传感器全部上传完该信号量;
8)统计所有采集过该信号量上传的传感器的采样记录;
9)查询传感器信号量特征为预警的时间点:单总线级联80个传感器在2分10秒到2分50秒信号量特征为预警信号采样,再分析这段信号量上传在接收到该时刻的信号量数据,我们发现传感器对环境温度预警信号量特征频繁上传;
10)查询传感器监测到温度升高的时间点:单总线级联70个传感器在5分20秒到6分信号量特征为温度升高,再分析这段信号量上传在接收到该时刻的信号量数据,我们发现传感器对环境温度信号量特征为升高,由此得出,这段时间温度上升的信号量数据可能对这些传感器来说被大范围监测到。
由上述统计过程可知,一段信号量上传中,哪些部分是对信号量特征集中的、哪些部分是有预警的、有变化的,还需要进行大数据分析,以使该信号量上传得到较完善的多维度时空信息反馈。
针对上述统计过程做进一步分析,传感器收集环境信息,再由时空大数据分析模块分析产生时序数据和空间关联需要一个过程,这一过程对整个系统有绝对变化趋势,但对于每个传感器个体的信号量变化是有差别的,绝对变化趋势是差别变化趋势在大范围概率统计下的规律表现。因此针对正在接收的信号量上传(以出现为预警信号采样为例),对于某种普遍频繁上传的信号量数据,每个传感器从开始出现为预警信号采样到采样中止的时间是不固定的,先将每个传感器传输时采样信息记录下来,保存到采样数据表中:
表1.采样数据表
与上表记录相似,推广到大数据的采集,假设采集到100个传感器传输信号量上传A的记录,为了取得有效信号量上传的信号量数据,本实施例取最早出现为预警信号采样的时间,和最后为预警信号采样消失的时间,在这段时间内,对样本数据特征初步分析,分析在这一段信号量上传中,出现为预警信号采样最多时的传感器数量最大值,传感器数量的最大值占总传感器数量的百分比。进一步的,在整个信号量上传过程中,可以取得多个这样的时间段,针对每个这样的时间段,统计出现为预警信号采样的最大值的时间段,和该时间段出现采样的传感器最大数据量,存储到采样分析数据表中:
表2.预警信号采样数据表
如上表,采样的预警信号平均数为25。
最小值为序号1的数据,采样开始时间为:16:30:00,结束时间为:16:50:00;预警信号量出现最多的时间为:16:32:15~16:47:08,预警的传感器数量为:20个。
针对上表,可以有以下几种分析方法:
第一种,针对出现预警信号量上传的整个区间的信号量数据进行分析
此时,如果上述信号量上传所有出现预警的地方都要进行统计分析,则取需要1-7的所有的样本数据;如果严格一些,可以设置只取大于采样平均数的样本数据进行分析,则取序号为:2,6,7的样本数据;或者再严格一些,取有80%以上传感器有为预警信号采样的信号量上传,则取序号为:6、7的样本数据。因此针对信号量上传分析的详细程度,可以取不同的记录进行分析。
第二种,针对有预警的一段信号量上传中,出现最多传感器为预警信号采样的时间点前后区间的信号量数据进行分析,此时,可以分析每段有预警的信号量上传中,出现预警峰值的时间段前后一段时间的信号量数据进行分析。这里的时间包括:突然变化时间、信号延迟时间,其中根据假设标称该传感器感知灵敏度反应时间为0.05-0.1秒之间;信号延迟时间指,正常情况下当有预警的信号量上传接收到传感器识别这段信号量上传时,才能产生为预警的信号,因此从有预警的信号量上传出现到传感器产生信号的时间为信号延迟时间,针对不同类型的信号量上传信号延迟时间不同,例如对以温度类的信号量上传信号延迟时间为10-30秒;对于成分分析类信号量上传,信号延迟时间为1-5分钟。
除上述两种情况外,还可以依据上表,采用不同的方法截取信号量上传进行分析。此外,还可以针对其他采样进行分析,例如:降低、极限等等,还可以采用组合采样进行分析。
实施例二:
本实施例对某安全生产监管平台系统采集的信号量数据做分析,以便了解该系统监测数据的大数据分析应用等信息,本实施例取得样本数据是500份,具体如下,
1)传感器开始感知生产现场监测数据,传感器信号量采集设备开始采集传感器采样;
2)在传输信号量数据过程中,在传输25帧时,传感器信号量特征为预警;
3)此时记录下预警信号的位置和该传感器的采样;
4)继续传输该信号量数据,发现在传感器传输到第36帧时,传感器信号量特征为升高,并关闭了该信号量数据传输;
5)此时继续记录下传输的位置、该传感器的采样以及关闭的操作;
6)重复步骤1)—5),直到所有采样传感器全部上传完该信号量数据;
7)统计所有采集过该信号量数据的传感器的采样记录;
8)查询传感器信号量特征为预警的位置:有461个传感器在传输第25帧时,信号量特征为预警信号采样,再分析这帧信号量数据,我们发现传感器对信号量数据中的温度升高信号量特征频繁上传;
9)查询传感器监测到温度升高的时间点:有379个传感器在传输到第34-37帧时信号量特征为升高信号量,再分析这一部分的信号量数据,我们发现这一部分信号量数据形成了按照线性递增函数温度缓慢上升的趋势,通过线性递增函数来实现信号量特征数据趋势分析的算法实现,由此得出,这段信号量数据可能对这些传感器来说感知的温度上升并不快或者传感器对连续感知的不超过预警阈值的信号量并不频繁上传。
上述实施例都是小范围统计,可以发挥大数据特性,将实施例一中的信号量上传或者实施例二中的信号量数据等需要监测的地理实体推向所有传感器,通过唯一编码和空间位置筛选,可以统计相同类别的传感器对某类信号量上传或者地理实体频繁上传或没频繁上传,也可以统计某类信号量上传或者某类地理实体对某类传感器是有需求的或不需频繁上传的。
以上对发明的具体实施方式进行了详细说明,但其只作为范例,本发明并不限制与以上描述的具体实施方式。对于本领域的技术人员而言,任何对该发明进行的等同修改或替代也都在本发明的范畴之中,因此,在不脱离本发明的精神和原则范围下所作的均等变换和修改、改进等,都应涵盖在本发明的范围内。
Claims (10)
1.传感器信号量识别在时空大数据分析中的应用系统,其特征在于:包括信号量采集模块、采样过程记录模块、信号识别模块和时空大数据分析模块,其中,
信号量采集模块:用于在传感器信号量传输的过程中,连续采集数据信息;
信号识别模块:用于从所述数据采集模块得到的数据信息进行分析,并进一步判断该数据信息中信号量特征数据所在的位置,为信号量特征数据建立信号模型,然后提取并分析能够表征信号特征的本质信息,确定信号类别;
采样过程记录模块:当所述信号识别模块获得传感器信号量时,将信息存储在信号量数据中,并将信号量数据上传至所述大数据分析模块;
时空大数据分析模块:针对统计分析条件,在大量的信号量数据中进行统计,并输出统计分析结果。
2.根据权利要求1所述的传感器信号量识别在时空大数据分析中的应用系统,其特征在于:信号采集模块为能够提供一段时间连续的时序数据采集的信号量采集装置。
3.根据权利要求1所述的传感器信号量识别在时空大数据分析中的应用系统,其特征在于:信号识别模块包括:信号特征库和信号类别判定模块;其中,
信号特征库包括大量传感器采样信号,以及与所述采样信号对应的信号特征,所述信号特征包括:数字量特征和模拟量特征;
信号类别判定模块,用于在传感器信号量传输过程中,对实时取得的信号量特征数据建立传感器模型,并从所述的传感器模型中提取数字量特征或模拟量特征,在所述的信号特征库中找到与所述数字量特征或模拟量特征相匹配的采样信号。
4.根据权利要求3所述的传感器信号量识别在时空大数据分析中的应用系统,其特征在于:信号识别包括获取数字量特征或模拟量特征进行特征建立模型、计算数字量特征或模拟量特征进行特征分析其采样和判定信号类别三个步骤。
5.根据权利要求4所述的传感器信号量识别在时空大数据分析中的应用系统,其特征在于:模型包括模拟量模型和数字量模型,其中,
模拟量模型为一条连续的波形曲线,波峰波谷处为变化值的聚集区域;
数字量模型采用采样数值模型和采样周期模型来模拟,对连续信号量采样的数字量模拟用采样周期模型,对有采样信号量的数值提取用采样数值模型。
6.根据权利要求1所述的传感器信号量识别在时空大数据分析中的应用系统,其特征在于:时空大数据分析模块包括信号量分析数据、统计分析数据、空间信息归类、过程记录归档、过程记录统计、设置筛选条件、导出数据和分析空间信息与传感器信号量关系的功能。
7.根据权利要求6所述的传感器信号量识别在时空大数据分析中的应用系统,其特征在于:所述设置条件包括全部数据、阈值数据、自定义数据;其中,所述全部数据指信号量分析数据中所有的数据;
所述阈值数据指级联数量为总级联数量一半以上的数据;
所述自定义数据指级联数量为自定义值。
8.传感器信号量识别在时空大数据分析中的应用方法,其特征在于:包括以下步骤:
S1:在系统监测数据采集的过程中,每隔一段时间获取传感器信号量;
S2:获得所采集的传感器信号量时,存储当前的信号量数据;
S3:获得大量传感器数字量或模拟量数据后,将步骤S2中存储的信号量数据整理后存储到信号量分析数据中;
S4:在所述信号量分析数据中,筛选出符合筛选条件的数据;
S5:从步骤S4中筛选出的数据中,根据地理实体及空间位置,得到相应的空间信息,并将所述符合条件的数据、空间信息存储到统计分析数据中;
S6:输出统计分析结果。
9.根据权利要求8所述的传感器信号量识别在时空大数据分析中的应用方法,其特征在于:步骤S2和S3之间还包括以下步骤:
S21:当获得一个传感器的信号量后,继续采集信号量数据,直到该传感器的信号量停止,存储当前的信号量数据。
10.根据权利要求9所述的传感器信号量识别在时空大数据分析中的应用方法,其特征在于:步骤S3中对信号量数据的整理方法为:
S31:在信号量数据中还包括信号持续时间,信号持续时间为:同一个传感器的信号标记为“开始”的空间位置和信号标记为“结束”的空间位置,之间的一段时间;
S32:当获得大量信号量数据后,将信号量数据中相同的地理实体、具有相同信号类型并且信号持续时间有重叠的所有数据进行统计,并存储到信号量分析数据中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910844536.4A CN110567522A (zh) | 2019-09-06 | 2019-09-06 | 传感器信号量识别在时空大数据分析中的应用方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910844536.4A CN110567522A (zh) | 2019-09-06 | 2019-09-06 | 传感器信号量识别在时空大数据分析中的应用方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110567522A true CN110567522A (zh) | 2019-12-13 |
Family
ID=68778503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910844536.4A Pending CN110567522A (zh) | 2019-09-06 | 2019-09-06 | 传感器信号量识别在时空大数据分析中的应用方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110567522A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190634A (zh) * | 2021-04-16 | 2021-07-30 | 广州全成多维信息技术有限公司 | 一种智能高效的时空大数据分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299225A (zh) * | 2014-09-12 | 2015-01-21 | 姜羚 | 一种表情识别在大数据分析的应用方法及系统 |
CN108696515A (zh) * | 2018-04-28 | 2018-10-23 | 深圳大图科创技术开发有限公司 | 基于大数据的网络安全态势感知系统 |
CN109558262A (zh) * | 2018-11-30 | 2019-04-02 | 武汉推杰网络科技有限公司 | 一种基于计算机验证码识别的大数据分析系统 |
KR20190062848A (ko) * | 2017-11-29 | 2019-06-07 | 주식회사 비네아 | 점진적 학습 모델을 이용한 빅데이터 마이닝 시스템 및 그 방법 |
-
2019
- 2019-09-06 CN CN201910844536.4A patent/CN110567522A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299225A (zh) * | 2014-09-12 | 2015-01-21 | 姜羚 | 一种表情识别在大数据分析的应用方法及系统 |
KR20190062848A (ko) * | 2017-11-29 | 2019-06-07 | 주식회사 비네아 | 점진적 학습 모델을 이용한 빅데이터 마이닝 시스템 및 그 방법 |
CN108696515A (zh) * | 2018-04-28 | 2018-10-23 | 深圳大图科创技术开发有限公司 | 基于大数据的网络安全态势感知系统 |
CN109558262A (zh) * | 2018-11-30 | 2019-04-02 | 武汉推杰网络科技有限公司 | 一种基于计算机验证码识别的大数据分析系统 |
Non-Patent Citations (2)
Title |
---|
KI WOO SUNG 等: "基于大数据分析工具的传感器数据分析方法研究", 《汽车文摘》 * |
李家樑: "基于人类行为的大数据分析的创新信息技术解决方案", 《电子技术与软件工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190634A (zh) * | 2021-04-16 | 2021-07-30 | 广州全成多维信息技术有限公司 | 一种智能高效的时空大数据分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN110738127A (zh) | 基于无监督深度学习神经网络算法的安全帽识别方法 | |
CN111930049A (zh) | 一种基于物联网的林业森林防火安全智能监测管理系统 | |
CN109815904B (zh) | 一种基于卷积神经网络的火灾识别方法 | |
CN102915432B (zh) | 一种车载微机图像视频数据提取方法及装置 | |
CN110675395A (zh) | 输电线路智能在线监测方法 | |
CN102164270A (zh) | 具有异常事件发掘功能的智能视频监控方法及系统 | |
CN102208018A (zh) | 一种基于视频差异分析的输电线路火灾识别方法 | |
WO2008148289A1 (fr) | Système et procédé d'identification audio intelligents | |
CN116761049B (zh) | 一种家用智能安防监控方法及系统 | |
CN111523397A (zh) | 一种智慧灯杆视觉识别装置、方法及其系统和电子设备 | |
CN112507035A (zh) | 输电线路多源异构数据统一标准化处理系统及方法 | |
CN116517860A (zh) | 基于数据分析的通风机故障预警系统 | |
CN110942045A (zh) | 一种基于机器视觉的智能鱼缸投食系统 | |
CN111724408A (zh) | 基于5g通信下异常驾驶行为算法模型的验证实验方法 | |
CN106652291A (zh) | 一种基于Kinect的室内简易监控报警系统及方法 | |
CN114518143A (zh) | 一种智能环境感知系统 | |
CN110567522A (zh) | 传感器信号量识别在时空大数据分析中的应用方法及系统 | |
CN115205244A (zh) | 一种基于动态自学习的卷烟外观质量评估方法 | |
CN116824626A (zh) | 一种动物异常状态人工智能识别的方法 | |
CN114222163A (zh) | 一种营业厅智能视频分析系统 | |
CN103207995A (zh) | 基于pca的3d人脸识别方法 | |
CN109271896A (zh) | 一种基于图像识别的学生测评系统及方法 | |
CN110049447B (zh) | 一种基于位置信息的伙伴关系分析方法 | |
KR102040562B1 (ko) | 영상정보를 활용한 시정거리 추정 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191213 |
|
RJ01 | Rejection of invention patent application after publication |